Метод идентификации типа и прогнозирование последствий аварии на АЭС тема диссертации и автореферата по ВАК РФ 05.14.03, кандидат наук Чыонг Ван Кхань Ньят

• Чыонг Ван Кхань Ньят
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Чыонг Ван Кхань Ньят

ОБОЗНАЧЕНИЯ

ВВЕДЕНИЕ

Глава 1. ОБЗОР ОСНОВНЫХ МЕТОДОВ ИДЕНТИФИКАЦИИ

ТИПА АВАРИИ НА АЭС

1.1 Основные положения по авариям

1.2 Основные моменты идентификации аварий по простым

системам

1.2.1 Методы на основе модели

1.2.2 Безмодельные методы

1.2.2.1 Методы на основе поступающих данных

1.2.2.2 Методы на основе сигналов

1.3 Идентификация аварий на АЭС (как сложной системы)

1.3.1 Методы с использованием модели для идентификации аварии на АЭС

1.3.2 Безмодельные методы для идентификации аварии

на АЭС

1.3.3 Статистические методы

1.3.4 Система на основе нечеткой логики

1.3.5 Походы с применением нейронных сетей для идентификации аварии на АЭС

1.3.5.1 Многослойные нейронные сети прямого распространения

1.3.5.2 НС для идентификации «неизвестных»

типов аварий

1.3.5.3 НС обрабатывающие данные, зависящие

от времени

1.3.5.4 Достоинства и недостатки методов

идентификации с НС

1.3.6 Нейро-нечёткие системы для

идентификации на АЭС

1.3.7 Выводы по главе

Глава 2. МЕТОДЫ ДЛЯ ПОСТРОЕНИЯ СИСТЕМЫ

ИДЕНТИФИКАЦИИ

2.1 Общий формализм системы идентификации аварии на АЭС

на основе нейронных сетей

2.2 Возможное ветвление аварии в течение ее развития

2.3 Основные характеристики нейронных сетей

2.3.1 Основные понятия НС

2.3.1.1 Модель нейронов

2.3.1.1.1 Типы функций активации

2.3.1.2 Архитектура НС

2.3.1.3 Многослойные сети прямого распространения

2.3.2 Обучение НС

2.3.3 Алгоритм обучения многослойной НС методом

обратного распространения ошибки

2.4 Описание расчетного кода RELAP5

2.4.1 Общее сведение о расчётном коде КБЬДР5

2.4.2 Основные уравнения системного кода КБЬДР5

2.4.2.1 Система пар - жидкость без учета неконденсируемых газов и бора

2.4.2.2 Режимы двухфазного потока и специальные

модели процессов код КБЬДР5

2.4.3 Компоненты кода КЕЬЛР5

2.4.4 Использование КБЬДР5 в системе

идентификации аварий

2.5 Методы анализа неопределенностей расчётов

2.6 Определение необходимого количества расчетов

с использованием формулы Вилкса

2.7 Выводы по главе

Глава 3. СОЗДАНИЕ БАЗЫ ДАННЫХ ДЛЯ СИСТЕМЫ

ИДЕНТИФИКАЦИИ АВАРИЙ РУ ВВЭР-1000/В320

3.1 Краткое описание РУ ВВЭР-1000/В320 для проведения моделирования аварий на АЭС

3.1.1 Основные характеристики и параметры реакторной установки ВВЭР-1000

3.1.2 Особенности систем безопасности РУ

ВВЭР - 1000/В-320

3.1.3 Моделирование систем безопасности на

АЭС с РУ ВВЭР-1000

3.1.3.1 Нодализационная схема РУ

ВВЭР-1000/В320 по коду КБЬДР5

3.2 Выбор множества аварий для настройки базы данных по идентификации

3.3 Анализ процесса протекания аварий при течи теплоносителя из первого контура РУ

3.3.1 Течь из горячей нитки первого контура

с ДУ 30мм (Нп30)

3.3.1.1 Описание аварийной ситуации

Введение диссертации (часть автореферата) на тему «Метод идентификации типа и прогнозирование последствий аварии на АЭС»

3.3.1.2 Хронологическая последовательность

основных событий аварии...........................................96

3.3.2 Течь из холодной нитки первого

контура с ДУ 50мм с наложением отказа насоса

высокого давления JND (CnJND50).........................................99

3.3.2.1 Описание аварии...........................................................99

3.3.2.2 Хронологическая последовательность

основных событий аварии............................................100

3.4 Выбор контролируемых параметров для мониторинга

состояния АЭС.....................................................................................102

3.5 Выбор параметров для моделирования

стохастических отклонений................................................................105

3.6 Генерация базы данных для систем идентификации

аварии на основе АН........................................................................... 107

3.6.1 Применение технологии параллельных

расчетов для АН........................................................................107

3.6.1.1 Обоснование применения техник

параллельных расчетов РУМ.......................................107

3.6.1.2 Принципы работы PVM................................................108

3.6.2 Метод генерации базы данных

на основе программы КРО........................................................110

3.7 Результаты проведения расчетов по созданию базы данных идентификации.....................................................................................113

3.7.1 Результирующие данные для

аварии течи первого контура из холодной

нитки с ДУ 30мм (Сп30) - рис. 3.12 - 3.15...............................115

3.7.2 Результирующие данные для

аварии течи первого контура из холодной

нитки с ДУ 40мм (Сп40) - рис. 3.16 - 3.19...............................117

3.7.3 Результирующие данные для

аварии течи первого контура из холодной

нитки с ДУ 50мм (Сп50) - рис. 3.20 - 3.23 ...............................119

3.7.4 Результирующие данные для аварии

течи первого контура из холодной нитки ДУ 50мм

с отказом системы насоса высокого давления

[N0 САОЗа петли 4 (Сп1Ш50) - рис. 3.24 - 3.27 .................. 121

3.7.5 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 30мм (Ш30) - рис. 3.28 - 3.31 ...................123

3.7.6 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 40мм (Ш40) - рис. 3.32 - 3.35 ...................125

3.7.7 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 50мм (Нп50) - рис. 3.36 - 3.39 ...................127

3.7.8 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 50мм с отказом одного гидроаккумулятора САОЗа (HnHA50) - рис. 3.40 - 3.43 ..........................................129

3.7.9 Анализ результатов расчетов....................................................131

3.8 Выводы по главе 3................................................................................131

Глава 4. РАЗРАБОТКА И ОПТИМИЗАЦИЯ СИСТЕМЫ ИДЕНТИФИКАЦИИ АВАРИЙ В РАЗЛИЧНЫХ РЕЖИМАХ ЕЕ ФУНКЦИОНИРОВАНИЯ.....................................133

4.1 Задача настройки и поиски оптимальной

структуры нейронной сети....................................................................133

4.1.1 Программа neuroV для поиска оптимальных параметров НС,

ее обучению и распознаванию аварий.......................................133

4.1.2 Метод перебора для нахождения оптимальной архитектуры НС...........................................................................137

4.1.3 Метод на основе генетического алгоритма для нахождения оптимальной архитектуры НС....................................................137

4.2 Тестирование распознавания аварий РУ ВВЭР-1000 для начального

момента аварии......................................................................................139

4.3 Работа системы идентификации во время протекания аварии...........141

4.3.1 Анализ проблемы «мертвой зоны»..............................................141

4.3.2 Использования системы идентификации

для базы данных на основе 2, 4, 6 и 16 аварий...........................142

4.3.2.1 Идентификация 2,4, и 6 типов аварий............................142

4.3.2.2 Идентификация 16 типов аварий....................................147

4.3.3 Иерархическая структура системы распознавания для 64 типов аварийных ситуаций на основе бинарного дерева.....................149

4.3.4 Определение временных окон («мертвых зон»).........................157

4.4 Возможность функционирования системы идентификации

при наличии ошибок в мониторинге....................................................158

4.5 Направления развития............................................................................160

4.6 Выводы по главе 4...................................................................................161

ВЫВОДЫ ПО РАБОТЕ......................................................................................163

ЛИТЕРАТУРА......................................................................................................165

ОСНОВНЫЕ АББРЕВИАТУРЫ, СОКРАЩЕНИЯ, УСЛОВНЫЕ

ОБОЗНАЧЕНИЯ

АЗ - Аварийная защита

аз - Активная зона

АН - Анализ неопределенности

АЭС - Атомная электростанция

БЗОК - Быстродействующий запорно-отсечной клапан

БПФ - Быстрое преобразование Фурье

БРУ-А - Быстродействующая редукционная установка сброса пара в атмосферу

БРУ-К - Быстродействующая редукционная установка сброса пара в конденсатор

ВАБ - Вероятностный анализ безопасности

ВВЭР - Водо-водяной энергетический реактор

ГА - Генетический алгоритм

ГЕ - Гидроаккумулятор

ГЦН - Главный циркуляционный насос

ГЦТ - Главный циркуляционный трубопровод

ДВАБ - Динамический вероятностный анализ безопасности

ДУ - Условный диаметр

ИС - Интегральный стенд

КД - Компенсатор давления

ММК - Метод Монте-Карло

МП - Многослойные персептроны

НВД - Насос высокого давления

ННД - Насос низкого давления

НС - Нейронная сеть

НСПР - НС прямого распространения

ОС - Операционная система

ОФЯ - Отдельные физические явления

ПГ - Парогенератор

РУ - Реакторная установка

САОЗ - Система аварийного охлаждения активной зоны

СММ - Скрытная модель Маркова

ТВЭЛ - Тепловыделяющий элемент

ЯЭУ - Ядерная энергетическая установка

AEAW - Atomic Energy Authority Winfrith

AP600 - Двухконтурный водно-водяной ядерный реактор с водой под давлением

BWR - Кипящий водо-водяной реактор

CCFL - Модель ограничения противотока

CIAU - The code with the Capability of Internal Assessment of Uncertainty

CSAU - Code Scaling, Applicability and Uncertainty

FCM - Алгоритм "fuzzy c-means"

GRS - Gesellschaft fur Anlagen - und Reaktorsicherheit

IPSN - Institut de Protection et de Surete Nucleaire

JDH - Система поршневого насоса высокого давления

JND - Система центробежного насоса высокого давления

JNG - Система центробежного насоса низкого давления

LAN - Локальная компьютерная сеть

LOCA - Авария с потерей теплоносителя

MPI - Message Parsing Interface

NPO - Nuclear Plant Optimizer

PSO - Метод роя частиц

PVM - Parallel Virtual Machine

PWR - Реактор с водой под давлением

QACO - Квантовая оптимизация колонии муравьев

QEA - Квантовый эволюционный алгоритм

QSE - Квантовая эволюция роя

RBF - Радиальная базисная функция

SGTR - Разрыв трубок парогенератора

SLR - Разрыв паропровода

SVM - Машина опорных векторов

TID - Идентификатор задачи

UMAE - The Uncertainty Methodology based on Accuracy Extrapolation

ВВЕДЕНИЕ

В процессе функционирования АЭС происходит взаимодействие их разнообразных компонентов и различных физических процессов, что обуславливает сложное поведение как отдельных элементов АЭС, так и всей системы при нормальной эксплуатации и, особенно, в аварийных режимах. Поток информации, поступающий к оператору, характеризуется многомерностью, взаимовлиянием между компонентами, наложением стохастических погрешностей. Все это затрудняет правильную идентификацию состояний АЭС, прогнозирование их развития и планирование эффективных противоаварийных мероприятий, что особенно актуально в том случае, когда необходимо быстро принять решение. В дополнение необходимо учитывать возможные сбои, ошибки элементов системы контроля компонентов оборудования АЭС, когда индикация о нормальной или аварийной работе насоса, клапана и т.д. на пульте оператора может не соответствовать действительности, а также психологический стресс в аварийной ситуации.

Имеющиеся системы поддержки оператора обычно базируются:

■ на определении предаварийной ситуации и факте возникновения аварии на основе идентификации отклонения контролируемых параметров от номинальных значений;

■ в основном рассматривается только начало аварии и учитывается относительно небольшое количество возможных вариантов;

■ не учитываются стохастичности характеристик аварийных процессов, неопределенности, связанные с прогнозированием по системным интегральным кодам, возникновением аварии.

В тоже время для принятия действенных противоаварийных мероприятий необходима система, позволяющая:

■ не только сигнализировать о возникновении аварии, но и распознавать тип аварийной ситуации;

■ осуществлять поддержку оператора или кризисного центра непосредственно в процессе протекания аварии;

■ учесть все возможные неопределенности самой системы АЭС, погрешности, связанные с условиями возникновения аварий и с моделированием по современным расчетным кодам (если при построении системы распознавания используется база данных по авариям созданная ими);

■ иметь возможность настраиваться на любое количество возможных ситуаций;

■ осуществлять относительно независимый контроль за состоянием оборудования АЭС.

Для решения этой проблемы в диссертации представляются методы, реализующие подход по идентификации аварии на основе нейронных сетей (НС). Особенность предлагаемого метода заключается в совместном, гармоничном использовании, как новых современных методов обработки информации и вычислений, так и уже хорошо апробированных вариантов. В частности, в предлагаемом подходе совместно с НС используются методы прогнозирования состояния АЭС на основе современных интегральных кодов типа КОРСАР, RELAP5 и т.п.

Задача диссертации заключается в изучении особенностей построения системы идентификации аварий на основе НС, в которой вышеупомянутые ограничения будут сняты и реализованы требуемые качества. В работе, применяются следующие основные элементы/ инструменты:

■ интегральный код анализа динамических аварийных процессов типа RELAP5 в создании базы данных для формирования множества аварийных ситуаций;

■ метод анализа неопределенностей (АН);

■ технология параллельных вычислений (РУМ);

■ математическое моделирование на основе НС для идентификации аварийной ситуации АЭС.

В связи с этим, в данной работе:

■ представлен новый метод для построения системы идентификации аварийных ситуаций на АЭС на начальной стадии и в процессе их развития;

■ представлена архитектура разрабатываемой системы, основные этапы по ее построению и настройки. В частности, рассматриваются вопросы формирования базы данных по распознаванию различных этапов протекания аварии на основе их моделирования с использованием интегрального кода RELAP5, включая шаги необходимые для тренировки нейронных сетей, проверки качества их обучения;

■ представлено решение проблемы поиска оптимальной структуры нейронной сети;

■ для проведения анализа неопределенности применяются программный комплекс NPO на основе метода Монте - Карло и формула Уилкса для определения необходимого количества расчетов;

■ при реализации расчетов АН и настройки НС были использованы параллельные расчеты, что позволяет кардинально решить известную проблему с существенными временными затратами;

■ была формирована матрица из 64-х проектных аварийных ситуаций, которая включает в себя основной тип аварии, рассматриваемый в ВАБ АЭС - течи из 1-ого контура с варьированием их размера, места аварии - холодная или горячая нитка ГЦТ, а также комбинации отказов элементов САОЗ различного типа и

гидроемкостей. На этой основе и применения АН была создана база данных для РУ ВВЭР-1000/В320;

■ проведенные расчеты, на основе сформированной базы данных для 64 различных типов аварий для АЭС с ВВЭР-1000, позволили сформулировать принцип бинарного дерева для построения архитектуры системы для успешной идентификации аварии в процессе ее развития и использования временных окон при учете временных неопределенностей возможного ветвления динамического процесса;

■ проведены расчеты для базы данных для 64-х типов аварий для изучения возможности функционирования системы идентификации на основе бинарного дерева и учета временных окон и получены положительные результаты;

■ предложен подход учета различных вариантов отказа системы контроля и предлагаются методы их учета.

На основе представленного подхода была успешно настроена система идентификации аварийных ситуаций. Предлагаемый подход может быть применен для создания системы:

■ для поддержки оператора на АЭС с РУ ВВЭР-1000 и других типов;

■ для поддержки кризисного центра в процессе протекания аварии на АЭС.

■ для осуществления кросс-верификации при использовании в дополнении к существующим системам поддержки и действиям на основе симптомно-ориентированных аварийных инструкций.

В рамках данной диссертации были выполнены следующие работы:

■ был создан новый метод для настройки системы идентификации аварий на основе многослойной НС прямого распространения для большого количества аварий и на разных стадиях их развития;

■ с использованием метода АН и применением системного кода RELAP5 проводились 6400 вариантных расчётов для создания расширенной базы данных для 64-х разных типов аварий;

■ проведены анализ и оценка качества полученной базы данных;

■ выполнены расчёты по настройке системы идентификации аварий для демонстрации хорошей работоспособности системы для распознавания аварийной ситуации в начальной стадии и также при ветвлении аварии в течение ее протекания.

Апробация работы:

Результаты диссертационной работы докладывались на следующих конференциях:

1- 8-я Международная научно-техническая конференция «ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ АЭС С ВВЭР», 28-31 мая 2013 г., ОКБ «ГИДРОПРЕСС», г. Подольск, Россия;

2- Конференция молодых специалистов «ИННОВАЦИИ В АТОМНОЙ ЭНЕРГЕТИКЕ», 20-21 ноября 2013 г., АО «НИКИЭТ», г. Москва, Россия;

3- IV Международная конференция: «ОБЛАЧНЫЕ ВЫЧИСЛЕНИЯ. ОБРАЗОВАНИЕ. ИССЛЕДОВАНИЯ. РАЗРАБОТКА», 05-06 декабря 2013 г., ИСПРАН, г. Москва, Россия;

4- ХХ Международная научно-техническая конференция студентов и аспирантов «РАДИОЭЛЕКТРОНИКА, ЭЛЕКТРОТЕХНИКА И ЭНЕРГЕТИКА», 27-28 февраля 2014 г., НИУ «МЭИ», г. Москва, Россия;

5- Международная научно-методическая конференция «ИНФОРМАТИЗАЦИЯ ИНЖЕНЕРНОГО ОБРАЗОВАНИЯ», 15-16 апреля 2014 г., НИУ «МЭИ», г. Москва, Россия;

6- 3-я Международная научно-техническая конференция «Инновационные проекты и технологии ядерной энергетики», 07-10 октября 2014 г., НИКИЭТ, г. Москва, Россия;

7- XXI Международная научно-техническая конференция студентов и аспирантов «РАДИОЭЛЕКТРОНИКА, ЭЛЕКТРОТЕХНИКА И ЭНЕРГЕТИКА», 26-27 февраля 2015 г., НИУ «МЭИ», г. Москва, Россия;

8- 9-я Международная научно-техническая конференция «ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ АЭС С ВВЭР», 19-22 мая 2015 г., ОКБ «ГИДРОПРЕСС», г. Подольск, Россия;

9- Конференция молодых специалистов «ИННОВАЦИИ В АТОМНОЙ ЭНЕРГЕТИКЕ», 25-26 ноября 2015 г., АО «НИКИЭТ», г. Москва, Россия;

10- VI Международная конференция «ОБЛАЧНЫЕ ВЫЧИСЛЕНИЯ. ОБРАЗОВАНИЕ. ИССЛЕДОВАНИЯ. РАЗРАБОТКА», 03-04 декабря 2015 г., ИСПРАН, г. Москва, Россия;

11- XXII Международная научно-техническая конференция студентов и аспирантов «РАДИОЭЛЕКТРОНИКА, ЭЛЕКТРОТЕХНИКА И ЭНЕРГЕТИКА», 25-26 февраля 2016 г., НИУ «МЭИ», г. Москва, Россия;

12- Международная научно-практическая конференция «ИНФОРМАТИЗАЦИЯ ИНЖЕНЕРНОГО ОБРАЗОВАНИЯ», 12-13 апреля 2016 г., НИУ «МЭИ», г. Москва, Россия.

Публикации: Основные положения и результаты диссертационной работы изложены в 14 научных публикациях, в том числе в 3-х статьях в ведущих рецензируемых журналах из списка, рекомендованного ВАК России, из которых два журнала соответствуют диссертационному направлению 05.14.03 «Ядерные энергетические установки, включая проектирование, эксплуатацию и вывод из эксплуатации».

СПИСОК ПУБЛИКАЦИЙ в изданиях, рекомендованных ВАК

1. Ю.Б. Воробьёв, К.Н. Чыонг Ван. Система распознавания типа аварий на атомных электростанциях. Вестник МЭИ, 2015, №4, С. 14-20.

2. К.Н. Чыонг Ван, Ю.Б. Воробьёв. Нахождение наиболее опасных аварий на АЭС и идентификация их возникновения в процессе эксплуатации. Вестник МЭИ, 2016, №5.

3. Ю.Б. Воробьев, П. Кудинов, М. Ельцов, К. Кёоп, К.Н. Чыонг Ван. Применение информационных технологий (генетические алгоритмы, нейронные сети, параллельные вычисления) в анализе безопасности АЭС. Труды Института системного программирования РАН, том 26, 2014 г. Выпуск 2. С. 137-158.

Вклад автора в публикациях является определяющим.

Глава 1. ОБЗОР ОСНОВНЫХ МЕТОДОВ ИДЕНТИФИКАЦИИ ТИПА

АВАРИИ НА АЭС

1.1. Основные положения по авариям

Переходный процесс на атомных электростанциях (АЭС) определяется как событие, когда АЭС переходит из нормального состояния в анормальное и при его дальнейшем развитии может формироваться авария.

Авария - нарушение эксплуатации АЭС, при котором произошел выход радиоактивных веществ и/или ионизирующего излучения за предусмотренные проектом для нормальной эксплуатации границы в количествах, превышающих установленные пределы безопасной эксплуатации. Авария характеризуется исходным событием, путями протекания и последствиями [1].

Переходные процессы/аварии на АЭС могут быть инициированы отказами оборудования или внешними возмущениями. Переходные процессы/аварии должны быть правильно идентифицированы как можно скорее, чтобы противоаварийные меры смогли минимизировать или смягчать негативные последствия. В этом автоматическая система идентификации аварии может быть ценным дополнением к знанию оператора. Во время аварии, выходные данные измерительных систем АЭС отличаются от тех, которые соответствуют нормальным условиям эксплуатации и они могут быть различными для разных аварий. Таким образом, идентификация аварии, по существу, является проблемой распознавания как между нормальными и анормальными состояниями АЭС, так и типа соответствующей аварии. При этом специфика АЭС и особенности ее функционирования как чрезвычайно сложной системы делает эту задачу трудно выполнимой [2].

Из общей теории диагностики можно определить, что система диагностики отказов обычно включает в себя процессы: детектирование отказов, локализация отказов и определение типа отказов. Детектирование определяет факт наличия отказа. Далее, локализация отказов устанавливает их

расположение в контролируемом объекте и на последнем этапе выполняется определение конкретных характеристик, например, размеров течи [3]. В дополнение компоненты системы идентификации могут модифицироваться в соответствии с требованиями конкретной задачи.

В нашей работе мы будем рассматривать проблему диагностики аварий на АЭС. Данная задача отличается от стандартных проблем диагностирования технологического оборудования тем, что процессы, происходящие на АЭС существенно сложнее, существует их взаимодействие, они могут иметь разную природу - нейтронно-физические, теплогидравлические и т.д., сама станция представляет собой сочетание большого количества компонент оборудования, взаимодействующих сложным образом в процессе нормальной эксплуатации и, тем более, во время аварии. По сравнению с обычным технологическим оборудованием, аппаратная диагностика АЭС также затруднена в силу большого количества компонент и специфики ядерных процессов, затрудняющей такой контроль. Исходя из этих соображений подходы к диагностированию аварий, в общем, можно представить следующим образом: ь Идентификация отказов, относящихся к небольшому оборудованию или простой системе (например: насосы, системы клапанов, парогенератор и т.п.). Он характеризуется:

■ относительно простыми процессами в объекте и небольшим их количеством, зачастую отсутствием взаимовлияния между ними;

■ возможностью достаточно полного контроля над диагностируемым объектом;

■ динамика объекта представляется относительно простыми моделями.

и. Идентификация отказов, относящихся к сложной системе (АЭС, химические предприятия, аэрокосмическая техника и т.п.) Они характеризуются:

■ наличием достаточно сложных процессов в объекте, количеством процессов и наличием нелинейных связей между ними;

■ невозможностью полного контроля как отдельных процессов так и компонентов оборудования;

■ сложными моделями с наличием неопределенностью моделирования;

■ наличие существенных стохастических отклонений на измеряемых характеристиках.

Таким образом, задача идентификации типа аварий на АЭС относиться к задаче диагностики сложной системы. В ней у нас отсутствует возможность обеспечить полный мониторинг всех компонент объекта и, таким образом, необходимо осуществлять диагностику на основе только тех параметров, по которым возможен контроль. В случае АЭС это, как правило, параметры, отображающие наиболее важные характеристики станции с точки зрения безопасности, например, давление первого и второго контуров, температура на входе и выходе активной зоны и т.д. - т.е. контроль на макроуровне.

Пред рассмотрением существующих работ в области диагностики аварии на АЭС, сначала рассмотрим коротко общие методы идентификации отказов технологического оборудования.

1.2. Основные моменты идентификации аварий по простым системам

Аварии по простым системам представляются отказами технологического оборудования, такие как: повреждение подшипника машины, недостаточная смазка, отказ обмотки двигатели т.д.

В этом случае идентификация отказов может быть разделена на методы на основе модели и безмодельные методы [2]. Последнее может быть классифицировано на методы на основе поступающих многомерных данных и методы на основе одномерных сигналов.

1.2.1. Методы на основе модели

В методах на основе модели, нормальное поведение системы отображается с помощью математической модели [4, 5]. Отличие между аналитически расчетным значением по математической модели и фактически измеренным значением определяется соответствующей разностью величин. Отказами вызывают статистически аномальные изменения разностей и, следовательно, они могут быть выявлены на основе статистического тестирования разностей [6, 7]. Техника локализации отказа варьируется в зависимости от структуры модели [8-17]. В методах на основе модели существуют следующие подразделы: генерация разности, оценка разности и принятие решения - рис. 1.1.

нарушения отказ

знание о отказах

Рис. 1.1. Схема методов идентификации отказов на основе модели

Методы на основе модели были применены к построению системы идентификации отказов с использованием техники идентификации фазового подпространства системы [18, 19-21]. Также, обнаружение и диагностика множественных отказов в динамических системах были выполнены по методу на основе модели [12, 22].

У данного метода можно выделить следующие недостатки:

■ при повышении сложности контролируемой системы существенно возрастает трудность в поиске корректных моделей;

■ необходимо учитывать факторы неопределенности параметров и самой модели [23, 24];

■ методы на основе модели не могут обнаруживать отказы, находящиеся вне области моделирования.

1.2.2. Безмодельные методы

Методы идентификации отказов, которые не основываются на явных -математических моделях рассматриваемой системы называются безмодельными методами и как выше отмечено, они включаются в себя методы на основе поступающих данных от контролируемого объекта и методы на основе сигналов.

1.2.2.1. Методы на основе поступающих данных

Методы на основе поступающих данных используют многопараметрические статистические методы и инструментарий машинного обучения для идентификации отказов. Такие методы также полагаются на отношениях между коррелированными измерениями внутри системы, но и используют их неявно посредством анализа данных обучения во время нормального функционирования объекта. Такие методы также называются как методы на основе истории процесса [25]. Принципиальная схема метода представлена на рис. 1.2.

Схема функционирует следующим образом. Предположим, что существует матрица данных обучения Э, полученных от системы и эмпирическая модель /, обучающаяся на основе Б. Когда поступает набор новых измерений d, оценки величины ф могут быть получены как ф' = /(ф) и разности могут быть генерированы как е = ф' - ф. Любые отказы в системе вызовут изменения в отношениях между переменными ф и ф' и по этой причине приводят к статистически аномальным изменениям в разностях е, что и может быть обнаружено на основе статистических тестов.

Рис. 1.2. Схема методов идентификации отказов на основе поступающих

данных

В качестве эмпирических модели или инструментов машинного обучения, могут использоваться, например, анализ главных компонент [26, 27], многомерная техника оценки состояния [28], в которой определяются взаимосвязи, между переменными, используемыми для определения состояния объекта, искусственная нейронная сеть (НС) [29-31] и другие [32, 33].

К ограничениям методов данного типа можно отнести то, что эмпирическая модель хорошо работает только в пределах рабочего диапазона контролируемого объекта. При выходе за его пределы она может диагностировать сам факт выхода (начала аварии), но определить тип аварии не может, т.к. данные этого типа еще не использовались для обучения.

1.2.2.2. Методы на основе сигналов

Методы идентификации отказов на основе сигналов принимают решения на основе сравнения особенностей, извлеченных из сигнала с базовыми характеристиками, считанными нормальными. Схема этих методов показана на рис. 1.3.

Рис. 1.3. Схема методов идентификации отказов на основе на основе

сигналов

Методы на основе сигналов не полагаются на аналитические отношения между различными измерениями. Спектральный анализ является одним из наиболее часто используемых методов на основе сигналов для идентификации отказов. Необходимо отметить, что сигнальные методы более подходят при контроле простых систем (например: приборов АЭС и т.п.).

1.3. Идентификация аварий на АЭС (как сложной системы)

АЭС являются комплексными системами, которые обычно контролируются человеком - оператором. При возникновении переходных процессов или аварии, оператор должен воспринять большой объем информации, поступающей от датчиков. Аварии на АЭС инициируются отказами отдельных компонент оборудования, связанными с отклонением их параметров от номинального состояния и неспособностью выполнения объектом требуемой функции [34, 35].

Список литературы диссертационного исследования кандидат наук Чыонг Ван Кхань Ньят, 2017 год

ЛИТЕРАТУРА

1. A.M. Букринский. Аварийные переходные процессы на АЭС с ВВЭР. М.: Энергоиздат, 1982, 142 C.

2. Jianping Ma, Jin Jiang. Applications of fault detection and diagnosis methods in nuclear power plants: A review. Progress in Nuclear Energy 53, 2011, 255266.

3. Isermann, R., Balle, P. Trends in the application of model-based fault detection and diagnosis of technical processes. Control Engineering Practice 5, 1997, 709-719.

4. Willsky, A.S.. A survey of design methods for failure detection in dynamic systems. Automatica 12, 1976, 601-611.

5. Chow, E.Y., Willsky, A.S. Analytical redundancy and the design of robust failure detection systems. IEEE Transactions on Automatic Control 29, 1984, 603-614.

6. Gertler, J.J. Survey of model-based failure detection and isolation in complex plants. IEEE Control Systems Magazine 8, 1988, 3-11.

7. Isermann, R. Fault-diagnosis Systems: an Introduction from Fault Detection to Fault Tolerance. Springer-Verlag, 2006.

8. Gertler, J.J., Singer, D. A new structural framework for parity equation-based failure detection and isolation. Automatica 26, 1990, 381-388.

9. Li, W., Shah, S.L. Structured residual vector-based approach to sensor fault detection and isolation. Journal of Process Control 12, 2002, 429-443.

10. Li,W., Jiang, J. Isolation of parametric faults in continuous-time multivariable systems: a sampled data-based approach. International Journal of Control 77, 2004, 173-187.

11. Beard, R.V. Failure Accommodation in Linear Systems through Self-Reconfiguration. MIT, Cambridge, MA, USA, 1971.

12. Clark, R.N. Instrument fault detection. IEEE Transactions on Aerospace and Electronic Systems 14, 1978, 456-465.

13. Frank, P.M. Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy-A survey and some new results. Automatica 26, 1990, 459-474.

14. Isermann, R. Estimation of physical parameters for dynamic processes with application to an industrial robot. International Journal of Control 55, 1992, 1287-1298.

15. Jia, F., Jiang, J. Diagnosis in DC servo systems-A comparative study of three fault diagnosis schemes. European Journal on Fault Diagnosis and Safety in Automation 4, 1994, 357-374.

16. Jia, F., Jiang, J. A robust fault diagnosis scheme based on signal modal estimation. International Journal of Control 62, 1995, 461-475.

17. Isermann, R. Fault diagnosis of machines via parameter estimation and knowledge processing-tutorial paper. Automatica 29, 1993, 815-835.

18. Dong, J., Kulcsar, B., Verhaegen, M. Subspace based fault detection and identification for LPV systems. In: Proceedings of 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes, Barcelona, Spain, 2009.

19. Van-Overschee, P., De-Moor, B. N4SID: subspace algorithms for the identification of combined deterministic-stochastic systems. Automatica 30, 1994, 75-93.

20. Van Overschee, P., De Moor, B. A unifying theorem for three subspace system identification algorithms. Automatica 31, 1995, 1853-1864.

21. Verhaegen, M., Dewilde, P. Subspace model identification Part I. The output error state-space model identification class of algorithms. International Journal of Control 56, 1992, 1187-1210.

22. Qin, S.J., Li, W. Detection and identification of faulty sensors in dynamic processes. AIChE Journal 47, 2001, 1581-1593.

23. Lou, X.C., Willsky, A.S., Verghese, G.C. Optimally robust redundancy relations for failure detection in uncertain systems. IEEE Transactions on

Automatic Control 31, 1986, 333-344.

24. Frank, P.M., Ding, S.X. Survey of robust residual generation and evaluation methods in observer-based fault detection systems. Journal of Process Control 7, 1997, 403-424.

25. Venkatasubramanian, V., Rengaswamy, R., Kavuri, S.N., Yin, K. A review of process fault detection and diagnosis: Part III: process history based methods. Computers and Chemical Engineering 27, 2003, 327-346.

26. Wise B.M, Gallagher N.B. The process chemometrics approach to process monitoring and fault detection. Journal of Process Control 6, 1996, 329-348.

27. Dunia, R., Qin, S.J., Edgar, T.F., McAvoy, T.J. Identification of faulty sensors using principal component analysis. AIChE Journal 42, 1996, 2797-2812.

28. Herzog, J.P., Wegerich, S.W., Gross, K.C., Bockhorst, F.K. MSET modeling of Crystal River-3 Venturi flow meters. In: The 6th International Conference on Nuclear Engineering May 10-15, San Diego, CA, 1998.

29. Anderson, J.A. An Introduction to Neural Networks. MIT Press, Cambridge, MA, USA, 1995.

30. Watanabe, K., Matsura, I., Abe, M., Kubota, M., Himmelblau, D.M. Incipient fault diagnosis of chemical processes via artificial neural networks. American Institute of Chemical Engineers Journal 35, 1989, 1803-1812.

31. Venkatasubramanian, V., Vaidyanathan, R., Yamamoto, Y. Process fault detection and diagnosis using neural networks I: steady State processes. Computers and Chemical Engineering 14, 1990, 699-712.

32. MacGregor, J.F., Kourti, T. Statistical process control of multivariate processes. Control Engineering Practice 3, 1995, 403-414.

33. Garvey, D.R., Hines, J.W. An Adaptive Distance Measure for Use with Nonparametric Models. NPIC&HMIT, Albuquerque, NM, USA, 2006, 335342.

34. IAEA-TECDOC-1402. Management of Life Cycle and Aging at Nuclear Power Plants: Improved I&C Maintenance. International Atomic Energy

Agency, Vienna, Austria, 2004.

35. Nuclear Power Plants Information, 2010. International Atomic Energy Agency. http://www.iaea.org/cgi-bin/db.page.pl/pris.reaopag.htm.

36. W. Cholewa, W. Frid, and M. Bednarski, "Identification of loss-of coolant accidents in LWRs by inverse mode ls", Nucl. Technol., vol. 147, 2004, 216226.

37. T.Y. Hsiao, C. Lin, and Y. Yuann, "Identification of initiating events for pressurized water reactor accidents", Ann. Nucl. Energy, vol. 37, 2010, 15021512.

38. Te-Yung Hsiao, Chaung Lin. Identification of initiating events for pressurized water reactor accidents using a probabilistic approach. Progress in Nuclear Energy 60, 2012, 146-152.

39. Berglund et.al, The use of CAMS during a safety exercise at the Swedish Nuclear Inspectorate, HWR-423. OECD Halden Reactor project - July 1995.

40. Serrano et al., Development of an extension of the CAMS system to severe accident management, HWR-580. OECD Halden Reactor project - May 1999.

41. Yangping, Z., Bingquan, Z., DongXin, W. Application of genetic algorithms to fault diagnosis in nuclear power plants. Reliability Engineering and System Safety 67, 2000, 153-160.

42. Medeiros, J.A.C.C., Schirru, R. Identification of nuclear power plant transients using the Particle Swarm Optimization algorithm. Annals of Nuclear Energy 35, 2008, 576-582.

43. dos Santos Nicolau, A., Shirru, R., Medeiros, J.A.C.C. Quantum computation and swarm intelligence applied in the optimization of identification of accidents in a PWR nuclear power plant. In: Proceedings of the International Nuclear Atlantic Conference e INAC, RJ, Brazil, 2009.

44. dos Santos Nicolau, A., Shirru, R. Study of the quantum evolutionary algorithm parameters applied to transient identification. International Journal of Applied Mathematics and Informatics 4, 2010, 33-40.

45. dos Santos Nicolau, A., Shirru, R., Medeiros, J.A.C.C. Quantum evolutionary algorithm applied to transient identification of a nuclear power plant. Progress in Nuclear Energy 53, 2011, 86-91.

46. Silva, M.H., Schirru, R., Medeiros, J.A.C.C. An approach using quantum ant colony optimization applied to the problem of identification of nuclear power plant transients. In: Proceedings of the International Nuclear Atlantic Conference - INAC, RJ, Brazil, 2009.

47. Khalil Moshkbar-Bakhshayesh, Mohammad B. Ghofrani. Transient identification in nuclear power plants: A review. Progress in Nuclear Energy 67, 2013, 23-32.

48. Zio, E., Baraldi, P., Roverso, D. An extended classifiability index for feature selection in nuclear transients. Annals of Nuclear Energy 32, 2005, 1632-1649.

49. Zio, E., Baraldi, P., Pedroni, N. Selecting features for nuclear transients classification by means of genetic algorithms. IEEE Transactions on Nuclear Science 53, 2006, 1479-1493.

50. Kee-Choon Kwon, Jin-Hyung Kim. Accident identification in nuclear power plants using hidden Markov models. Engineering Applications of Artificial Intelligence 12, 1999, 491-501.

51. Kwon, K.C. HMM-based transient identification in dynamic process. Transactions on Control, Automation, and Systems Engineering 2, 2000, 4046.

52. Kwon, K.C., Kim, J.H., Seong, P.H. Hidden Markov model-based real-time transient identifications in nuclear power plants. International Journal of Intelligent Systems 17, 2002, 791-811.

53. Gottlieb, C., Arzhanov, V., Gudowski, W. Feasibility study on transient identification in nuclear power plants using support vector machines. Nuclear Technology 155, 2006, 67-77.

54. Iijima, T. Application Study of Fuzzy Logic Methods for Plant-state Identification, HWR-432, 1995.

55. Wang, Li-Xin, Mendel, M. Generating fuzzy rules by learning from examples. IEEE Trans. Systems Man Cybernet. 22 (6), 1992, 1414-1427.

56. Marseguerra, M., Zio, E., Oldrini, A., Brega, E. Fuzzy identification of transients in nuclear power plants. Nuclear Engineering and Design 225, 2003, 285-294.

57. Bezdek, J. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York, 1981.

58. Zio, E., Baraldi, P. A fuzzy clustering approach for transients classification. In: Ruan, D., Dhondt, P., Cock, M.D., Nachtegael, M., Kerre, E.E. (Eds.), Applied Computational Intelligence. World Scientific, Singapore, 2004, 573-578.

59. Zio, E., Baraldi, P. Identification of nuclear transients via optimized fuzzy clustering. Annals of Nuclear Energy 32, 2005, 1068-1080.

60. Baraldi, P., Razavi-Far, R., Zio, E. Bagged ensemble of Fuzzy C-Means classifiers for nuclear transient identification. Annals of Nuclear Energy 38,

2011, 1161-1171.

61. Baraldi, P., Razavi-Far, R., Zio, E. Classifier-ensemble incremental-learning procedure for nuclear transient identification at different operational conditions. Reliability Engineering and System Safety 96, 2011, 480-488.

62. Fausett, L.V. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall, Englewood Cliffs, N.J., 1994.

63. T.V. Santhosh, M. Kumar, I. Thangamani, A. Srivastava, A. Dutta, V. Verma, D. Mukhopadhyay, S. Ganju, B. Chatterjee, V.V.S.S. Rao, H.G. Lele, A.K. Ghosh. A diagnostic system for identifying accident conditions in a nuclear reactor. Nuclear Engineering and Design, VOL. 241, Issue 1, 2011, 177-184.

64. Katkovsky E.A., Katkovsky S.E, Nikonov S.P., I. Pasichnyk, T. Voggenberger, K. Velkov. Athlet Based Training Of Neural Networks For The Analysis Of Nuclear Power Plant (NPP) Safety», 22nd SYMPOSIUM of AER on VVER Reactor Physics and Reactor Safety, Hotel Floret, Pruhonice, Czech Republic,

2012.

65. Козлачков А.Н. Применение методов статистического анализа для расчетного обоснования безопасности реакторных установок, дис. к.т.н., Подольск, 2015, 159 С.

66. Uhrig, R.E., Tsoukalas, L.H. Soft computing technologies in nuclear engineering applications. Progress in Nuclear Energy 34, 1999, 13-75.

67. Uhrig, R.E. Use of neural networks in nuclear power plant diagnostics. In: Proceedings of the International Conference on Availability Improvements in Nuclear Power Plants, Madrid, Spain, 1989.

68. Ohga, Y., Seki, H. Using a neural network for abnormal event identification in BWRs. Transactions of the American Nuclear Society 63, 1991, 110-111.

69. Bartlett, E.B., Uhrig, R.E. Nuclear power plant status diagnostics using an artificial neural network. Nuclear Technology 97, 1992, 272-281.

70. Guo, Z., Uhrig, R.E. Use of artificial neural networks to analyze nuclear power plant performance. Nuclear Technology 99, 1992, 35-42.

71. Ash, T. Dynamic node creation in back- propagation networks. Connection Science 1, 1989, 365-375.

72. Bartlett, E.B., Basu, A. A dynamic node architecture scheme for back-propagation neural networks. In: Dagli, C.I., et al. (Eds.), Intelligent Engineering Systems through Artificial Neural Networks. ASME Press, USA, 1991, 101-106.

73. Bartlett, E.B., Uhrig, R.E. A self-optimizing stochastic dynamic node learning algorithm for layered neural networks. In: Proceedings of the IEEE INNS international Joint Conference of Neural Networks, Seattle USA, 1991.

74. Basu, A. Nuclear Power Plant Status Diagnostics using a Neural Network with Dynamic Node Architecture. Iowa State University. MS thesis, 1992.

75. Kim, K., Aljundi, T.L., Bartlett, E.B. Confirmation of artificial neural networks: nuclear power plant fault diagnostics. Transactions of the American Nuclear Society 66, 1992, 112-114.

76. Basu, A., Bartlett, E.B. Detecting faults in a nuclear power plant by using a

dynamic node architecture artificial neural network. Nuclear Science and Engineering 116, 1995, 313-325.

77. Benedek, S., Embrechts, M.J. Rapid identification of nuclear power plant malfunctions with artificial neural networks via Fourier transformed signals. In: Proc. ANNNIE'96, St. Louis, MO, 1996.

78. Embrechts, M.J., Benedek, S. Identification of nuclear power plant transients with neural networks. In: Proc. IEEE Int. Conf. Systems, Man, and Cybernetics, Orlando, FL, 1997.

79. Mo, K., Lee, S.J., Seong, P.H. A dynamic neural network aggregation model for transient diagnosis in nuclear power plants. Progress in Nuclear Energy 49, 2007, 262-272.

80. Lin, J., Bartal, Y., Uhrig, R.E. Predicting the severity of nuclear-power-plant transients using nearest neighbors modeling optimized by genetic algorithms on a parallel computer. Nuclear Technology 111, 1995, 46-62.

81. Mol, A.C.A. A Neural Model for Transient Identification in Dynamic Processes with "Don't Know" Response, vol. 30. Pergamon, 2002, 1365-1381.

82. Mol, A.C.A., Martinez, A.S., Schirru, R. A neural model for transient identification in dynamic processes with "do not know" respons e. Annals of Nuclear Energy 30, 2003, 1365-1381.

83. Attieh, I., Hines, J.W., Uhrig, R.E. Transient detection in nuclear power plants. In: Proceedings of the Expanded Halden Programme Group Meeting on Instrumentation and Control, Lillihammer, Norway, 2001.

84. Uhrig, R.E., Hines, J.W. Computational intelligence in nuclear engineering. Nuclear Engineering and Technology 37, 2005, 127-138.

85. Bartal, Y., Lin, J., Uhrig, R.E. Nuclear power plant transient diagnostics using artificial neural networks that allow "Don't-Know" classifications. Nuclear Technology 110, 1995, 436-449.

86. Na, M.G., Shin, S.H., Lee, S.M., Jung, D.W., Kim, S.P., Jeong, J.H., Lee, B.C. Prediction of major transient scenarios for severe accidents of nuclear power

plants. IEEE Transactions on Nuclear Science 51, 2004, 313-321.

87. Renders, J.M., Goosens, A., Deviron, F., Devlaminck, M. A prototype neural network to perform early warning in nuclear-power-plant. Fuzzy Sets and Systems 74, 1995, 139-151.

88. Ayaz, E., S, eker, S., Barat?u, B., Turkcan, E. Comparisons between the various types of neural networks with the data of wide range operational conditions of the BORSSELE NPP. Progress in Nuclear Energy 43, 2003, 381387.

89. Carla Regina Gomes, Jose Antonio Carlos Canedo Medeiros, Neural network of Gaussian radial basis functions applied to the problem of identification of nuclear accidents in a PWR nuclear power plant. Annals of Nuclear Energy, V77, 2015, 285-293.

90. Nabeshima, K., Suzudo, T., Ohno, T., Kudo, K. Nuclear power plant monitoring with recurrent neural network. Knowledge-based Intelligent Engineering Systems 4, 2000, 208-212.

91. Elman, J.L. Finding structure in time. Cognitive Science 14, 1990, 179-211.

92. Jordan, M.I. Attractor dynamics and parallelism in a connectionist sequential machine. In: Proceedings of the Cognitive Science Conference. Erlbaum, Hillsdale, NJ, 1986.

93. Roverso, D. Soft computing tools for transient classification. Information Sciences 127, 2000, 137-156.

94. Roverso, D. Plant diagnostics by transient classification: the Aladdin approach. International Journal of Intelligent systems 17, 2002, 767-790.

95. Roverso, D. Fault diagnosis with the Aladdin transient classifier. In: Proc Syst Diagn Prognosis: Security Cond Monit Issues III, AeroSense, Aerospace Defense Sensing Control Technol Symp, Orlando, FL, 2003.

96. Roverso, D. On-line early fault detection and diagnosis with the ALADDIN transient classifier. In: Proceedings of PNPIC and HMIT, The 4th American Nuclear Society, International Topical Meeting on Nuclear Plant

Instrumentation Control and Humane Machine Interface Technologies, Columbus, Ohio, 2004.

97. Ikonomopoulos, A., Tsoukalas, L., Uhrig, R.E. Hybrid expert system-Neural network-Fuzzy logic methodology for transient identification. In: Proceedings of the 2nd Government Neural Network Applications Workshop, Huntsville, Alabama, 1991.

98. da Costa, R.G., Mol, A.C.A., Carvalho, P.V.R., Lapa, C.M.F. An efficient Neuro-Fuzzy approach to nuclear power plant transient identification. Annals of Nuclear Energy 38, 2011, 1418-1426.

99. Воробьев Ю.Б., Кузнецов В.Д. Возможность совместного использования нейронных сетей и интегральных кодов в системе поддержки операторов. «Известия высших учебных заведений -Ядерная Энергетика», Обнинск, 2002, №4, С. 3-11.

100. Воробьев Ю.Б., Кузнецов В.Д. Идентификация аварийных ситуаций на АЭС и выработка оптимальных управляющих воздействий. Вестник МЭИ, 2006, №5, С. 17-24.

101. RELAP5 CODE MANUAL. Information Systems Laboratories, Inc. Rockville, Maryland Idaho Falls, Idaho, 2002, vol. 1-6.

102. Саймон Хайкин, Нейронные сети: полный курс, 2-е изд., испр., М:ООО «И. Д. Вильямс», 2006, 1104 С.

103. Воробьев Ю.Б., Кузнецов В.Д., Мансури М. Оценка влияния неопределенных факторов при анализе аварийных процессов на АЭС с ВВЭР-1000. Теплоэнергетика, 2006, №9, C. 16-21.

104. Мансури М., Анализ неопределенностей параметров при моделировании динамических процессов в контурах АЭС с ВВЭР, дис. к.т.н., М., 2005, 166 стр.

105. Яшников Д.А., Афремов Д.А., Миронов Ю.В., Радкевич В.Е., и др., Анализ неопределённости расчётов аварий с потерей теплоносителя для 1-го энергоблока Курской АЭС. Атомная энергия, 2005, Т. 98, Вып. 6, C.

106. Ю.Б. Воробьев, П. Кудинов, М. Ельцов, К. Кёоп, К.Н. Чыонг Ван. Применение информационных технологий (генетические алгоритмы, нейронные сети, параллельные вычисления) в анализе безопасности АЭС. Труды Института системного программирования РАН, том 26, 2014 г. Выпуск 2. С. 137-158.

107. Воробьев Ю.Б., Кузнецов В.Д. Использование современных интегральных кодов для управления безопасностью АЭС. Вестник МЭИ. 2001. №5. С. 31-37.

108. Vorobyev Y, Kudinov P. 2011. Development and Application of a Genetic Algorithm Based Dynamic PRA Methodology to Plant Vulnerability Search, proceedings PSA 2011, 45.

109. Churchland P.S. and T.J. Sejnowski. The Computational Brain, Cambridge, MA: MIT Press, 1992.

110. M. Minsky and S. Papert, "Perceptrons: An Introduction to Computational Geometry", MIT Press, Cambridge, Mass., 1969.

111. R.P.Lippmann, "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, Vol.4, No.2, Apr. 1987, pp. 4-22.

112. A.K. Jain and J. Mao, "Neural Networks and Pattern Recognition", in Computational Intelligence: Imitating Life, J.M. Zurada, R.J. Marks II, and C.J. Robinson, eds., IEEE Press, Piscataway, N.J., 1994, pp. 194-212.

113. S. Haykin, Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co., New York, 1994.

114. Яшников Д.А., Разработка и применение методики анализа неопределённости теплогидравлических расчётов аварийных режимов реакторов РБМК, дис. к.т.н., М., 2013, 134 стр.

115. Кузнецов Ю.Н. Теплообмен в проблеме безопасности ядерных реакторов. М., Энергоатомиздат, 1989 г.

116. В.Д. Байбаков, Ю.Б. Воробьев, В.Д. Кузнецов. Коды для расчёта ядерных

реакторов. Учебное пособие. Издательство МЭИ, 2003 г.

117. Девкин А.С., Мелихов О.И., Москлаев А.М., Соловьев С.Л., Суслов А.И., Уголева И.Р., Фукс Р.Л. Зарубежные теплогидравлические коды улучшенной оценки. Отраслевой центр Минатома России по расчетный кодам для АЭС и реакторных установок. 2000 г., стр. 7.1 - 7.31.

118. D'Auria F. CIAU method for uncertainty evaluation. OECD/NEA/CSNI -Wgama, 2002, P. 1-27.

119. Report of a CSNI workshop on uncertainty analysis methods. NEA/CSNI/R(94)20/Part.1,2. London. 1994. Vol. I, II. 286 С.

120. Takashi Hara, Takafumi Anegawa. TRACG application to licensing analysis. 7th International conference on nuclear engineering. Japan. 1999. P. 1-10.

121. Дементьев Б.А. Ядерные энергетические реакторы. Москва, Энергоатомизидат, 1990 г., С. 30-61.

122. Зорин В.М. Атомные электростанции. Учебное пособие. М.: Издательский дом МЭИ, 2012. 672 с.

123. Беркович В.М., Таранов Г.С., Пересадько В.Г., Мальцев М.Б., Подшибякин А.К., Зайцев СИ., Шумский А.М. Расчетный анализ процессов в защитной оболочке и реакторной установке АЭС-92 при аварии с крупными течами первого контура и потере источников переменного тока на АЭС нового поколения. ОКБ «Гидропресс», Подольск, 2003 г., С. 1-32.

124. Database for the Kozloduy NSSS for accident analysis of WWER-1000 model 320 NPP, IAEA, 1994. P. 1-124.

125. Relap5 training workshop Ukraine. ANL. 1996. Р. 1-140.

126. Петров Д.А., Дмитриев А.В., Исламов Р.Т., Коротин В.Ю. Анализ неопределенности аварийных последовательностей на примере аварии с потерей теплоносителя (Large LOCA, Surry, Unit1). IBRAE, 2003. 12 С.

127. PSAR-NPP «Bushehr». Russia Ministry of Russian Federation on Atomic Power, 2000, ch. 1-7. Р. 1-160.

128. Ильченко А.Г., Горбунов Ю.С, Ровнов А.А. Анализ эффективности пассивной части САОЗ при авариях с "большими течами" теплоносителя из I контура реакторной установки ВВЭР-1000. Москва. 2004 г., 3 С.

129. Ю.Б. Воробьёв, К.Н. Чыонг Ван. Система распознавания типа аварий на атомных электростанциях. Вестник МЭИ, 2015, №4, С. 14-20.

130. Вентцель Е.С. Теория вероятностей, 2003 г. Книга. С. 1- 98.

131. PVM: Parallel Virtual Machine A Users' Guide and Tutorial for Networked Parallel Computing. The MIT Press Cambridge, Massachusetts, London, England, 1994.

132. A. Beguelin et al, "A User's Guide to PVM (Parallel Virtual Machine)", ORNL/TM-11826, Oak Ridge National Laboratory, July 1991.

133. Воробьев Ю.Б., Кузнецов В.Д. Использование современных информационных технологий (интегральные коды, кластерные расчеты, нейронные сети) для повышения надежности и безопасности эксплуатации АЭС с ВВЭР. МЭИ. 2003 г. 12 С.

134. Goldberg, D. E., Genetic Algorithms in Search, Optimization & Machine Learning. Reading, MA: Addison-Wesley, 1989.

135. К.Н. Чыонг Ван, Ю.Б. Воробьёв. Нахождение наиболее опасных аварий на АЭС и идентификация их возникновения в процессе эксплуатации. Вестник МЭИ, 2016, №5.